12 Tip Penting untuk Orang yang memulai Karir di Ilmu Data

Mempelajari ilmu data bisa jadi menakutkan. Terutama, saat Anda baru memulai perjalanan. Alat mana untuk dipelajari - R atau Python? Teknik apa yang harus difokuskan? Berapa banyak statistik yang harus dipelajari? Apakah saya perlu belajar kode? Ini adalah beberapa dari banyak pertanyaan yang perlu Anda jawab sebagai bagian dari perjalanan Anda.




Itulah mengapa saya berpikir bahwa saya akan membuat panduan ini, yang dapat membantu orang-orang yang memulai di Analytics atau Ilmu Data. Idenya adalah untuk membuat panduan sederhana, tidak terlalu panjang yang dapat mengatur jalur Anda untuk mempelajari ilmu data. Panduan ini akan menetapkan kerangka kerja yang dapat membantu Anda mempelajari ilmu data melalui periode yang sulit dan menakutkan ini.


Memulai dan menavigasi karir ilmu data dapat menjadi tantangan yang menakutkan bagi pemula karena sumber daya yang melimpah. Ini bukan ilmu roket, ini adalah Ilmu Data. Yang Anda butuhkan adalah panduan yang tepat dan peta jalan untuk menjadi data scientist yang sukses.


Kursus AI & ML BlackBelt + adalah program yang dirancang dengan cermat untuk siapa saja yang ingin mempelajari ilmu data, pembelajaran mesin, pembelajaran mendalam dalam upaya mereka untuk menjadi seorang profesional AI. Anda akan mendapatkan akses ke 14+ kursus, 25+ proyek, dan bagian terbaik - sesi bimbingan 1: 1 dengan para ahli!


1. Pilih peran yang tepat

Ada banyak variasi peran dalam industri ilmu data. Seorang ahli visualisasi data, ahli pembelajaran mesin, ilmuwan data, insinyur data, dll adalah beberapa dari banyak peran yang dapat Anda lakukan. Bergantung pada latar belakang dan pengalaman kerja Anda, mendapatkan satu peran akan lebih mudah daripada peran lainnya. Misalnya, jika Anda seorang pengembang perangkat lunak, tidak akan sulit bagi Anda untuk beralih ke rekayasa data. Jadi, sampai dan kecuali Anda jelas tentang ingin menjadi apa, Anda akan tetap bingung tentang jalan yang harus diambil dan keterampilan yang harus diasah.


Apa yang harus dilakukan, jika Anda tidak jelas tentang perbedaannya atau Anda tidak yakin akan menjadi apa? Saya beberapa hal yang saya sarankan adalah:


Bicaralah dengan orang-orang di industri untuk mencari tahu apa yang dibutuhkan oleh masing-masing peran

Ambil bimbingan dari orang - minta mereka untuk waktu yang singkat dan ajukan pertanyaan yang relevan. Saya yakin tidak ada yang akan menolak untuk membantu orang yang membutuhkan!

Cari tahu apa yang Anda inginkan dan apa yang Anda kuasai dan pilih peran yang sesuai dengan bidang studi Anda.

Untuk menghilangkan kebingungan, berikut adalah sumber yang bagus untuk membedakan antara analis bisnis, ilmuwan data, dan bahkan insinyur data -


Analisis bisnis v / s Ilmu Data. Jalur karir mana yang harus Anda pilih?

Satu hal yang perlu diingat saat memilih sebuah peran: jangan hanya terburu-buru beralih ke sebuah peran. Anda harus terlebih dahulu memahami dengan jelas apa yang dibutuhkan oleh bidang tersebut dan mempersiapkannya.


2. Ikuti Kursus dan Selesaikan

Sekarang setelah Anda memutuskan suatu peran, hal logis berikutnya bagi Anda adalah melakukan upaya yang berdedikasi untuk memahami peran tersebut. Ini berarti tidak hanya melalui persyaratan peran. Permintaan akan data scientist sangat besar sehingga ribuan kursus dan studi tersedia untuk membantu Anda, Anda dapat mempelajari apa pun yang Anda inginkan. Menemukan materi untuk dipelajari bukanlah panggilan yang sulit tetapi mempelajarinya mungkin terjadi jika Anda tidak berusaha.


Apa yang dapat Anda lakukan adalah mengambil MOOC yang tersedia secara gratis, atau bergabung dengan program akreditasi yang akan membawa Anda melalui semua liku-liku yang diperlukan oleh peran tersebut. Pilihan gratis vs berbayar bukanlah masalahnya, tujuan utamanya adalah apakah kursus tersebut menjelaskan dasar-dasar Anda dan membawa Anda ke level yang sesuai, dari mana Anda dapat mendorong lebih jauh.


Saat Anda mengikuti suatu kursus, lakukan dengan aktif. Ikuti kursus, tugas, dan semua diskusi yang terjadi di sekitar kursus. Misalnya, jika Anda ingin menjadi insinyur pembelajaran mesin, Anda dapat mengambil Pembelajaran mesin dari Andrew Ng. Sekarang Anda harus rajin mengikuti semua materi kursus yang disediakan dalam kursus tersebut. Ini juga berarti tugas dalam kursus, yang sama pentingnya dengan membaca video. Hanya melakukan kursus ujung ke ujung akan memberi Anda gambaran lapangan yang lebih jelas.


Analytics Vidhya memiliki berbagai kursus gratis dan kursus berbayar. Anda dapat memulai hari ini -


Kursus Ilmu Data dan Pembelajaran Mesin


3. Pilih Alat / Bahasa dan pertahankan

Seperti yang saya sebutkan sebelumnya, penting bagi Anda untuk mendapatkan pengalaman ujung ke ujung tentang topik apa pun yang Anda kejar. Sebuah pertanyaan sulit yang dihadapi orang saat mencoba adalah bahasa / alat apa yang harus Anda pilih?


Ini mungkin pertanyaan yang paling banyak ditanyakan oleh pemula. Jawaban paling mudah adalah dengan memilih salah satu alat / bahasa utama yang ada dan memulai perjalanan ilmu data Anda. Bagaimanapun, alat hanyalah alat untuk implementasi; tetapi memahami konsep itu lebih penting.


Namun, pertanyaannya tetap, mana pilihan yang lebih baik untuk memulai? Ada berbagai panduan / diskusi di internet yang membahas pertanyaan khusus ini. Intinya adalah memulai dengan bahasa yang paling sederhana atau yang paling Anda kenal. Jika Anda tidak terlalu fasih dengan pengkodean, Anda harus memilih alat berbasis GUI untuk saat ini. Kemudian setelah Anda memahami konsepnya, Anda dapat langsung mempelajari bagian pengkodean.


4. Bergabunglah dengan kelompok sebaya

Sekarang setelah Anda tahu peran mana yang ingin Anda pilih dan bersiap untuk itu, hal penting berikutnya yang harus Anda lakukan adalah bergabung dengan kelompok sebaya. Mengapa ini penting? Ini karena kelompok sebaya membuat Anda tetap termotivasi. Mengambil bidang baru mungkin tampak sedikit menakutkan ketika Anda melakukannya sendiri, tetapi ketika Anda memiliki teman yang ada di samping Anda, tugas tersebut tampak sedikit lebih mudah.


Cara yang paling disukai untuk berada dalam kelompok sebaya adalah memiliki sekelompok orang yang dapat berinteraksi secara fisik dengan Anda. Jika tidak, Anda dapat memiliki sekelompok orang melalui internet yang memiliki tujuan yang sama, seperti bergabung dengan kursus online besar-besaran dan berinteraksi dengan rekan batch.


Meskipun Anda tidak memiliki kelompok sebaya seperti ini, Anda tetap dapat melakukan diskusi teknis yang bermanfaat melalui internet. Ada forum online yang memberi Anda lingkungan seperti ini. Saya akan mencantumkan beberapa di antaranya:


Analitik Vidhya

StackExchange

Reddit

 

5. Fokus pada aplikasi praktis dan bukan hanya teori

Saat menjalani kursus dan pelatihan, Anda harus fokus pada aplikasi praktis dari hal-hal yang Anda pelajari. Ini akan membantu Anda tidak hanya memahami konsep tetapi juga memberi Anda pemahaman yang lebih dalam tentang bagaimana konsep itu akan diterapkan dalam kenyataan.


Beberapa tip yang harus Anda lakukan saat mengikuti kursus:


Pastikan Anda melakukan semua latihan dan tugas untuk memahami aplikasinya.

Kerjakan beberapa set data terbuka dan terapkan pembelajaran Anda. Bahkan jika Anda tidak memahami matematika di balik suatu teknik pada awalnya, pahami asumsinya, apa fungsinya, dan bagaimana menafsirkan hasilnya. Anda selalu dapat mengembangkan pemahaman yang lebih dalam di tahap selanjutnya.

Lihatlah solusi dari orang-orang yang telah bekerja di lapangan. Mereka akan dapat menunjukkan Anda dengan pendekatan yang tepat lebih cepat.

Cara terbaik untuk membuat profil pembelajaran mesin Anda adalah dengan berpartisipasi dalam kompetisi sains data dan mempelajari proyek sains data. Platform DataHack Analytics Vidhya menawarkan lusinan proyek untuk dipilih -


Apakah Anda mencari proyek komprehensif yang meningkatkan permainan resume Anda? Blackbelt + menawarkan lebih dari 25 proyek komprehensif pada spektrum pembelajaran mesin lengkap!


6. Ikuti sumber yang benar

Untuk tidak pernah berhenti belajar, Anda harus menelan setiap sumber pengetahuan yang dapat Anda temukan. Sumber paling berguna dari informasi ini adalah blog yang dijalankan oleh Ilmuwan Data yang paling berpengaruh. Ilmuwan Data ini sangat aktif dan memperbarui pengikut tentang temuan mereka dan sering memposting tentang kemajuan terbaru di bidang ini.


Baca tentang ilmu data setiap hari dan biasakan untuk selalu diperbarui dengan kejadian terkini. Tetapi mungkin ada banyak sumber daya, data scientist yang berpengaruh untuk diikuti, dan Anda harus yakin bahwa Anda tidak mengikuti praktik yang salah. Jadi, sangat penting untuk mengikuti sumber daya yang benar.


7. Tingkatkan keterampilan Komunikasi Anda

Orang biasanya tidak mengaitkan keterampilan komunikasi dengan penolakan dalam peran ilmu data. Mereka berharap bahwa jika mereka secara teknis mendalam, mereka akan berhasil dalam wawancara. Ini sebenarnya hanya mitos. Pernah ditolak dalam sebuah wawancara, di mana pewawancara mengucapkan terima kasih setelah mendengarkan perkenalan Anda?


Coba aktivitas ini sekali; Buat teman Anda yang memiliki keterampilan komunikasi yang baik mendengarkan intro Anda dan meminta umpan balik yang jujur. Dia pasti akan menunjukkan cerminnya!


Keterampilan komunikasi bahkan lebih penting saat Anda bekerja di lapangan. Untuk berbagi ide dengan kolega atau untuk membuktikan poin Anda dalam rapat, Anda harus tahu cara berkomunikasi secara efisien.


8. Jaringan, tetapi jangan buang terlalu banyak waktu untuk itu!

Awalnya, seluruh fokus Anda harus pada pembelajaran. Melakukan terlalu banyak hal pada tahap awal pada akhirnya akan membawa Anda ke titik di mana Anda akan menyerah.


Secara bertahap, setelah Anda menguasai bidangnya, Anda dapat menghadiri acara dan konferensi industri, pertemuan populer di daerah Anda, berpartisipasi dalam hackathon di daerah Anda - bahkan jika Anda hanya tahu sedikit. Anda tidak pernah tahu siapa, kapan, dan di mana yang akan membantu Anda!


Sebenarnya, pertemuan sangat menguntungkan untuk membuat Anda menonjol di komunitas ilmu data. Anda bisa bertemu orang-orang di daerah Anda yang bekerja secara aktif di lapangan, yang memberi Anda peluang jaringan bersama dengan membangun hubungan dengan mereka pada gilirannya akan membantu Anda memajukan karier Anda. Kontak jaringan mungkin:


Memberi Anda informasi orang dalam tentang apa yang terjadi di bidang minat Anda

membantu Anda mendapatkan dukungan bimbingan

Membantu Anda mencari pekerjaan, ini akan menjadi tip mencari pekerjaan melalui petunjuk atau kemungkinan peluang kerja secara langsung.

 

9. Pengetahuan dasar database dan SQL adalah suatu keharusan

Data tidak muncul secara ajaib dalam bentuk tabel. Biasanya, pemula memulai perjalanan pembelajaran mesin mereka dengan menggunakan data dalam bentuk CSV atau file excel. Tapi pasti ada sesuatu yang hilang! Ini SQL. Ini adalah keterampilan paling mendasar untuk seorang profesional ilmu data.


Pengetahuan tentang teknik penyimpanan data bersama dengan dasar-dasar big data akan membuat Anda lebih disukai daripada orang yang menggunakan kata-kata hi-fi di resume, itu karena organisasi masih memikirkan persyaratan sains data mereka.


Organisasi ini menginginkan profesional SQL yang dapat membantu mereka dengan tugas sehari-hari.


The Blackbelt + menawarkan Anda tangan-on SQL paling komprehensif tentu saja bersama dengan program lain. Kursus ini menawarkan banyak contoh dan proyek.🙂


10. Penerapan Model adalah saus rahasia Anda

Penerapan Model bahkan tidak ditambahkan di banyak peta jalan ilmu data tingkat pemula dan ini adalah jalan menuju bencana.


Setelah Anda membuat proyek sains data lengkap, sekarang saatnya bagi pengguna / pemangku kepentingan yang dituju untuk menuai manfaat dari kekuatan prediktif model pembelajaran mesin Anda. Dengan kata sederhana, ini adalah penerapan model. Ini adalah salah satu langkah terpenting dari sudut pandang bisnis tetapi juga yang paling tidak diajarkan.


Mari kita ambil contoh di sini. Sebuah perusahaan asuransi telah memulai proyek sains data yang menggunakan gambar Kendaraan dari kecelakaan untuk menilai tingkat kerusakan. Tim data science bekerja siang dan malam untuk mengembangkan model yang memiliki skor F1 hampir sempurna. Setelah berbulan-bulan bekerja keras, mereka memiliki model yang siap dan para pemangku kepentingan menyukai kinerjanya, tetapi bagaimana setelah itu?


Ingatlah bahwa pengguna akhir, dalam hal ini, adalah agen asuransi dan model ini harus digunakan oleh banyak orang sekaligus yang BUKAN ilmuwan data. Oleh karena itu, mereka tidak akan menjalankan notebook Jupyter atau Colab pada GPU. Di sinilah Anda membutuhkan proses penerapan model yang lengkap.


Tugas ini biasanya dilakukan oleh teknisi pembelajaran mesin tetapi bervariasi sesuai dengan organisasi tempat Anda bekerja. Meskipun itu bukan persyaratan pekerjaan perusahaan Anda, sangat penting untuk mengetahui dasar-dasar penerapan model dan mengapa itu diperlukan.


11. Mengikuti permainan resume Anda

Mari kita pecahkan teka-teki di sini - Apa hal pertama yang dialami perekrut tentang Anda yang mungkin menjadi yang terakhir? Ini Resume Anda! Ini adalah kendala utama yang harus Anda lewati untuk mendapatkan pekerjaan yang paling diidamkan!


Pastikan Anda memasukkan petunjuk ini dalam resume Anda berikutnya -


Prioritaskan keterampilan sesuai peran pekerjaan yang ditawarkan

Sebutkan proyek sains data untuk membuktikan keahlian Anda

Jangan lupa untuk menyebutkan profil GitHub Anda

Keterampilan lebih penting daripada Sertifikasi

Perbarui keterampilan dan proyek Anda secara berdampingan dan tidak sekali di bulan biru.

Jumlah resume keseluruhan - pastikan semua font dan format Anda standar selama ini

Resume dan Wawancara bisa jadi sulit dan membutuhkan persiapan yang lengkap dari setiap keterampilan dan proyek yang Anda sebutkan di resume Anda. Dapatkan akses ke semua tip dan trik resume bersama dengan pertanyaan wawancara yang tak ada habisnya sebagai bagian dari program Blackbelt + Analytics Vidhya . Tujuannya bukan untuk membantu Anda menjadi profesional yang siap untuk industri.🙂


12. Bimbingan itu penting

Sampai pada poin terakhir yang mungkin paling penting - menemukan panduan yang tepat. Ilmu Data dan pembelajaran mesin, teknik data, dan bidang yang relatif sangat baru dan begitu pula alumninya. Hanya ada sedikit orang yang telah mendekripsi jalur mereka di bidang ini.


Ada banyak cara untuk menjadi data scientist, yang paling sederhana adalah mengeluarkan lakh rupee untuk mendapatkan sertifikasi yang diakui hanya untuk kemudian merasa frustrasi dengan rekaman video atau bahkan mengikuti playlist youtube tetapi Anda masih belum siap dengan industri. profesional.


Temukan mentor yang telah menavigasi karirnya di bidang data science dan tanyakan bagaimana cara mereka melakukannya, apa cara terbaik bagi Anda untuk menjadi data scientist? Keterampilan dan proyek apa yang dibutuhkan untuk peran pekerjaan tertentu?


Masalahnya adalah - tidak semua orang bisa mendapatkan akses ke mentor ahli ini. Itulah mengapa kursus AI dan ML BlackBelt + di Analytics Vidhya hadir dengan program bimbingan 1: 1 di mana para mentor berhubungan dengan Anda, membangun jalur pembelajaran yang disesuaikan untuk kebutuhan karier Anda! Sertifikasi itu mudah tetapi tidak menemukan panduan yang tepat. Putuskan dengan bijak.


Catatan Akhir

Permintaan akan ilmu data sangat besar dan pemberi kerja menginvestasikan waktu dan uang yang signifikan untuk Ilmuwan Data. Jadi mengambil langkah yang benar akan mengarah pada pertumbuhan eksponensial. Panduan ini memberikan tip yang dapat membantu Anda memulai dan membantu Anda menghindari beberapa kesalahan yang merugikan.

LihatTutupKomentar